中国面部识别公司融资6亿美元
…商汤科技计划将资金用于五款超级计算机，支持其AI服务...
商汤科技是一家提供大量面部识别工具的本土计算机初创公司，已融资6亿美元。这家中国公司向公共和私营部门提供面部识别服务，据联合创始人称，该公司现在已经营利，并且正在寻求扩张。据澎湃新闻报道，该公司现在正在开发一种名为“vipar”的服务，用于解析数千个实时摄像头数据的数据。
战略计算：
商汤科技将融资资金用于“在未来一年内在顶级城市建立至少五台超级计算机，以推动Viper和其他服务的发展。正如设想的那样，通过办公室脸部扫描仪，自动取款机和交通摄像头等设备（只要分辨率足够高）它将数以千计的实时数据馈送到一个系统中，处理和贴标签。最终目标是同时处理10万条数据，”澎湃新闻报道。
阅读更多：
相关：
中国初创公司使用AI来发现闯红灯的人并将他们的脸部照片发给他们自己：
...计算机视觉@中国规模...
中国初创公司Intellifusion正在帮助深圳当地政府将脸部识别与广泛部署的城市摄像机相结合，在被识别之后，向闯红灯的人发送脸部图片和个人信息。
阅读更多:
认为中国的战略技术是新举措？再想一想：
...全面申明，前亚洲事务国务院人员提出北京历史背景下的人工智能推动...
根据政府最近关于制定国家人工智能战略的公开声明，这里有一篇关于中国技术政策的历史（2017年8月），但
来自芝加哥大学保尔森研究所的一篇好文章。中国对其技术战略的长期世界观认为，技术是国家力量的源泉，中国需要发展更多的中国本土能力。
根据之前的举措，中国很可能会寻求获得AI的前沿能力，然后将这些能力作为产品打包并用于进一步研究。 “中国政府，工业界和科学界领导人将继续推动增值链的发展，在超高压电力线（UHV）和民用核反应堆等部分领域，中国已经是全球领导者，将这些技术应用于规模化，并且在其他几个市场中无人能及。”作者写道，
“这意味着它应该能够将其作为领先的技术消费者的地位与作为出口商的新的日益增长的作用相结合。中国纯粹的市场力量可以使其出口一些本土技术和工程标准，以努力成为默认这个或那个技术和系统的全球标准制定者。”
阅读更多：
The Deep Roots and Long Branches of ChineseTechnonationalism (Macro Polo).
用GPU击败摩尔定律：
... GPU和其他新型 AI 底层设施的兴起是否有助于应对摩尔定律的衰退呢？......
CPU 性能近几年来一直处于停滞状态，因为减小晶体管尺寸，和越来越多的事物需要在锁定环境中工作而引起的相关问题，使得提高整个芯片线性执行流水线变得越来越困难。 GPU能否解决这个问题呢？ AI 研究人员 Bharath Ramsundar 在博客中提出了一个想法，他认为GPU能力的提高以及其他专门用于深度学习的底层设施的到来意味着，我们可以预期 AI 应用在未来几年的性能会比运行在一般处理器上要好。他可能是对的 - 关于深度学习的奇怪之处之一是，它最重要的组成部分，如大块神经网络，可以放大到很大的规模，而却没有大规模带来的太多负面效应，因为它的内部包含着像矩阵运算这样相对简单和并行的任务。因此新芯片可以很容易地链接起来，进一步提升基本功能。
另外，像NVIDIA的 cuDNN 和 CUDA GPU 接口等一些软件库的标准化，或者用于AI编程的 TensorFlow 的兴起意味着一些应用程序随着时间的推移变得越来越快，纯粹是由于应对这些基础设施进步而产生的软件更新。
为什么重要：最近 AI 取得很大的进展，主要是2000到2010年的中期，处理器变得可以简单地在大块数据上训练大型神经网络了。这种底层硬件的突破，也成就了各种 AI 方面的突破，比如2012年的'AlexNet'，还有语音识别领域的相关工作，以及随后在研究方面的重大创新（AlphaGo）和应用（针对'智能答复'的大规模序列到序列学习，或者神经翻译系统的出现。）如果随着GPU的更进一步发展，还有软件标准化和创新能更进一步提升性能的话，那研究人员将能在未来探索更大或更复杂的模型，并以更高的速度运行神经架构搜索等应用，这将进一步推动发展。
阅读更多：The Advent of Huang's Law (Bharath Ramsundar blog post)
微软推出包括'道德'部分的 AI 培训课程：
...新的人工智能职业培训课程，微软似乎进入了AI认证业务......
微软也学着其他公司，将其内部的培训课程通过微软 AI 职业培训项目 (Microsoft Professional Program in AI) 公之于众。该项目是基于软件公司为提高自身专业技能而开发的内部培训项目。
微软课程非常典型，教授人们关于Python，统计学，深度学习和强化学习项目的构建和部署。它还包括一个特定的“数据和分析中的道德与法律”课程，该课程有助于教导开发人员如何将“道德和法律框架应用于数据专业领域”。
更多：Microsoft Professional Program for ArtificialIntelligence (Microsoft)
更多：Aiming to fill skill gaps in AI, Microsoft makes trainingcourses available to the public (Microsoft blog)
星际争霸和AI 研究的未来有什么共同之处？多智能体控制：
...中国研究人员解决星际争霸的微操任务...
中国科学院自动化研究所的研究人员发布了关于用强化学习来解决星际争霸中微操任务的研究。要想掌握星际争霸，其中一个主要挑战就是开发能够并行有效训练多个单元的算法。研究人员提出了parameter sharing multi-agent gradient-descent Sarsa 算法或称为PG-MAGDS。
该算法在多个单位间共享整个策略网络的参数，同时引入方法为单个单位提供适当的信用分配。他们还进行重要奖励塑造，让代理人更有效地学习。他们的 PG-MAGDS AI 能够在各种微操场景中，以及在任何一方超过30个单位的大规模场景击败游戏中的AI。由于缺乏共同的基线和实验，以及在使用星际争霸1（本文）还是星际争霸2（DeepMind等人的努力）作为平台的分歧，还很难评价研究人员开发的各种技术。
仍然有限：“目前，我们只能训练相同类型的远程地面单位，而使用 RL 方法训练近战地面单位仍然是一个悬而未决的问题。我们之后将改进方法以适应更多类型单位和更复杂的情景。最后，还会考虑在星际争霸中使用我们的微操模型来玩完整的游戏，“研究人员写道。
更多：StarCraft Micromanagement with Reinforcement Learning andCurriculum Transfer Learning (Arxiv)
法国研究人员构建‘Jacquard’数据集以改善机器人抓取：
... 11,000+对象数据集提供了具有相关深度信息的真实对象...
如何解决像机器人抓取的问题？一种方法是使用许多真实世界的机器人并行工作几个月来学习拾取大量真实世界的物体 --这是谷歌研究人员几年前在该公司的“手臂农场”采用的一条路线。另一种方法是使用配备传感器的人来收集抓住不同物体的示范，然后从中学习--这就是像Kindred这样的AI初创公司采取的方法。第三种方式，也是吸引众多研究人员的兴趣的一种方式，就是创建合成的3D对象，并在模拟器中训练机器人以学习如何抓取它们--这就是加州大学伯克利分校的研究人员在Dex-Net以及Google和OpenAI等机构上完成的工作;一些机构通过使用生成对抗网络来模拟更大范围的对象抓取，从而进一步增强了这种技术。
Jacquard:
现在，法国研究人员已经发布了一款机器人抓取数据集Jacquard，该数据集包含超过11,000种不同的真实世界对象和50,000张图像，注释了RGB和真实深度信息。他们表示，他们将很快发布它，而没有指定何时。研究人员通过对来自ShapeNet的各个对象进行采样来生成他们的数据，每个对象都进行缩放并赋予不同的权重值，然后放入模拟器中，通过Blender将其渲染成高分辨率图像，并通过三级自动过程生成抓取注释在'pyBullet'物理库中。为了评估他们的数据集，他们通过在Jacquard数据集上预先训练Alexnet，然后将其应用到另一个更小的，保持不变的数据集进行模拟测试。该数据集支持多个机器人手爪多种尺寸，与每个图像链接的几个不同的抓手，以及一百万个标记的抓手。
真正的机器人：
研究人员通过对来自Jacquard数据集以及完整Cornell数据集的〜2,000个对象的子集进行测试，在真实机器人（Fanuc M-20iA机器人手臂）上测试了他们的方法。以这种方式测试的预先训练的AlexNet在产生正确的抓握时约78％，而对于Cornell而言为60.46％。与Dex-Net数据集和其他尝试的结果相比，这两个结果都相当薄弱。
为什么重要：
许多研究人员预计，深度学习可能会令机器人操纵能力的显着提升。但我们目前缺少两个关键特征：足够大的数据集以及以标准方式在标准平台上测试和评估机器人的方式。目前我们正在经历可用的机器人数据集数量的繁荣，其中Jacquard代表了另一个贡献。
阅读更多：
Jacquard: A Large Scale Dataset for Robotic GraspDetection (Arxiv).
学会处理歧义：
...研究人员通过考虑更多的上下文信息，来处理词义模糊问题......
卡内基梅隆大学研究人员解决了翻译中的一个难题：处理“同形异义词” - 拼写相同但在不同情境下具有不同含义的词，如“room”和“charges”。他们在神经机器翻译（NMT）系统的背景下做到了这一点，该系统使用机器学习技术使得比之前的系统少了很多的手动规则来处理这个问题。
研究人员表示，现有的 NMT 系统处理同形异议词还是个难题，随着每个单词的潜在含义的数量增加，单词级翻译性能会下降。他们试图通过添加一个可以被 NMT 系统用来学习同一单词的不同用途的单词情境向量来解决这种情况。将这种“上下文网络”添加到他们的NMT体系结构中可显着提高系统翻译的句子的BLEU分数。
为什么重要：值得注意的是，研究人员用来处理同形异义词问题的系统本身就是一个学习系统，它不是手写规则，而是试图考虑每个单词的更多上下文并从中学习。这说明了 AI-first 软件系统的构建：如果发现故障，通常会编写一个模型来学习修复它，而不是学习编写基于规则的程序来修复它。
阅读更多：Handling Homographs in Neural Machine Translation (Arxiv)
网友评论